[发明专利]一种基于熵与卷积神经网络的点云降噪方法

权利要求书

1.一种基于熵与卷积神经网络的点云降噪方法，其特征在于，包括以下步骤，

步骤S1、收集点云数据并根据实体进行人工标注点云数据是否是噪点；

步骤S2、将人工标注的点云数据进行归一化处理，并将归一化处理后的点云数据输入熵与卷积神经网络系统进行判别模型的训练；

步骤S3、判断判别模型精准度是否符合要求，若否，熵与卷积神经网络系统自动优化卷积神经网络节点权重，并返回步骤S1；若是，将当前判别模型定位最佳判别模型；

步骤S4、获取待检测点云数据，采用最佳判别模型对待检测点云数据进行是否噪点的判别，若是噪点，则依据使用者主观选择机率噪声点处理噪点，若不是噪点，则结束。

2.根据权利要求1所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，所述归一化处理包括对所有的点云数据进行信息熵均值的计算，将所有人工标注的点云数据的空间距离都除以信息熵均值得到归一化后的样本点。

3.根据权利要求1所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，根据步骤S3，系统自动优化卷积神经网络节点权重，输入模型精确度超过使用者主观设定值时，当前判别模型为最佳判别模型。

4.根据权利要求1所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，根据步骤S4，将待检测点云数据输入熵与卷积神经系统中进行计算该点云数据中噪点类型的机率噪声点，选择概率最大的噪点类型。

5.根据权利要求1所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，噪声类型包括大于90%的机率噪声点，介于90%与70%之间的机率噪声点，介于70%与50%的机率噪声点，介于50%与30%的机率噪声点，介于30%与10%的机率噪声点，低于10%的机率噪声点。

6.根据权利要求1所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，系统包括网络结构，点云数据依次通过所述网络结构的输入层，K个小组层，全连接层，其中K大于或者等于1。

7.根据权利要求6所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，输入层为图像的横纵座标和图像颜色。

8.根据权利要求6所述的一种基于熵与卷积神经网络的点云降噪方法，其特征在于，小组层包括卷积层、激活层、下采样层、归一化层；卷积层、激活层、下采样层、归一化层。